Dopasowywanie modelu AR(1)

Przypomnij sobie, że do identyfikacji rzędów $p$ i $q$ modelu ARMA używa się pary ACF i PACF. Poniższa tabela podsumowuje wyniki:

	AR($p$)	MA($q$)	ARMA($p,q$)
ACF	Zanika	Urywa się po opóźnieniu $q$	Zanika
PACF	Urywa się po opóźnieniu $p$	Zanika	Zanika

W tym ćwiczeniu wygenerujesz dane z modelu AR(1), $$X_t = .9 X_{t-1} + W_t,$$ przeanalizujesz zasymulowane dane oraz parę ACF i PACF, aby określić rząd modelu. Następnie dopasujesz model i porównasz oszacowane parametry z prawdziwymi wartościami.

W całym kursie będziesz korzystać z funkcji sarima() z pakietu astsa, która ułatwia dopasowywanie modeli do danych. Polecenie generuje wykres diagnostyczny reszt, który możesz zignorować – diagnostyka zostanie omówiona w dalszej części rozdziału.

Pakiet astsa jest już wczytany.
Użyj gotowego polecenia arima.sim(), aby wygenerować 100 obserwacji z modelu AR(1) z parametrem AR równym .9. Zapisz wynik do x.
Zwizualizuj wygenerowane dane za pomocą plot().
Wyrysuj parę próbkową ACF i PACF, używając polecenia acf2() z pakietu astsa.
Użyj sarima() z pakietu astsa, aby dopasować model AR(1) do wcześniej wygenerowanych danych. Przeanalizuj tabelę t i porównaj oszacowania z prawdziwymi wartościami. Na przykład, jeśli szereg czasowy jest zapisany w x, użyj sarima(x, p = 1, d = 0, q = 0) lub w skrócie sarima(x, 1, 0, 0).

แบบฝึกหัด

Dopasowywanie modelu AR(1)

คำแนะนำ

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}แบบฝึกหัด

คำแนะนำ

แบบฝึกหัด